Resumen

Durante las ltimas dcadas, la optimizacin del plan de mantenimiento en plantas de proceso ha atrado la atencin de muchos investigadores debido a su papel vital para garantizar la seguridad de las operaciones. Dentro del proceso de programacin de las actividades de mantenimiento, uno de los retos ms significativos es la estimacin de la fiabilidad de los sistemas implicados, especialmente en caso de escasez de datos. La sobreestimacin del tiempo medio entre dos fallos consecutivos de un componente individual podra comprometer la seguridad, mientras que una subestimacin conduce a un aumento de los costes operativos. As pues, sera conveniente disponer de una herramienta fiable capaz de determinar los parmetros de modelizacin de fallos con gran precisin cuando se dispone de pocos datos. Con este fin, este artculo pretende comparar la aplicacin de tres marcos de estimacin prcticos en caso de datos escasos para sealar el enfoque ms eficaz. Se aplican la modelizacin bayesiana jerrquica (HBM), la estimacin por mxima verosimilitud (MLE) y la estimacin por mnimos cuadrados (LSE) a los datos generados por un proceso estocstico simulado de una estacin de regulacin y medida de gas natural (ERMG), que se adopt como caso de estudio. Los resultados identifican la metodologa bayesiana como la ms precisa para predecir la tasa de fallos de los dispositivos considerados, especialmente para los equipos caracterizados por disponer de menos datos. Los resultados de esta investigacin ayudarn a los ingenieros de mantenimiento y a los gestores de activos a elegir el enfoque ptimo para llevar a cabo el anlisis de fiabilidad, ya sea cuando se observan datos suficientes o datos limitados.

• Materias:Matemáticas Lógica matemática Ingeniería Algoritmos (Matemáticas) Algebra
• Subjects:mathematics Mathematical logic Engineering Agorithms (Math) Algebra
• Palabras claves:optimización; plan de mantenimiento; plantas de proceso; fiabilidad; escasez de datos; modelización de fallos
• Keywords:optimization; maintenance plan; process plants; reliability; data scarcity; failure modelling